基于能量效率的无线传感网络分簇算法

由于无线传感网络中传感器节点能量受限,提出基于能量效率的无线传感网络快速分簇算法(EECA),在系统初始化阶段把部署区域快速分成多个簇,随后以权衡节点自身能量消耗比和度作为选择簇头节点的依据,这时候的重新选举簇头节点变成了一种局部触发的行为,由于重新选举簇头节点只在簇内进行,这大大减少了重新选举簇头节点的复杂性和计算负载.理论分析表明EECA簇形成算法的消息和时间复杂度均为O(1),说明算法的开销较小,与网络的规模n无关.仿真实验结果表明EECA具有良好的负载平衡性能和较小的协议开销,与LEACH协议相比,能够减少能量消耗,延长网络生存期.     

能量高效的无线传感器网络非均匀分簇路由算法

针对无线传感器网络能量有限的问题,提出了一种能量高效的非均匀分簇路由算法.算法中首先通过在"热区"内选举传送节点,有效的解决了"热区"内负载不均衡的问题;非"热区"内的节点根据节点的剩余能量选举簇头,簇头选举结束后其余节点加入到距其最近的簇头中;节点入簇后,基于相似数据的收集策略,寻找符合条件的相似节点,休眠其中部分冗余的节点;改进的算法中不再每轮结束后都重新选举簇头,减少了能量的浪费;最后在数据传输阶段,采用改进的簇内单跳,簇间多跳的通信方式传输数据.仿真结果表明,本算法有效的降低了能量的消耗,改善了传感器网络的性能,提高了网络的生存时间.     

一种基于节点位置和密度的非均匀分簇路由算法

分析了现有分簇路由算法,提出了基于节点位置和密度的非均匀分簇路由算法。簇头选举阶段,考虑了节点的剩余能量,并引入竞争机制进行簇头选择;成簇阶段,综合考虑节点与基站的距离、节点密度以进行非均匀分簇,达到节点能耗均衡的效果,同时解决路由热区问题;簇间路由阶段,通过设立通信簇头节点,使簇间数据转发任务从簇头中分离,簇头节点只负责簇内的数据收集和融合,而通信簇头节点负责簇间数据传输,减少了簇头的能量消耗。实验结果表明,改进后的路由算法能够有效地均衡网络负载,并显著地延长网络的生命周期。     

传感器网络分簇时间跨度优化聚类算法

针对无线传感器网络（WSN）簇头节点能效低、网络能量负载不均衡问题,提出一种传感器网络分簇时间跨度优化（CTSO）聚类算法。该算法首先在簇头选举方式上关注了簇内成员数量和簇头间距的约束问题,尽可能地避免各个簇之间发生覆盖重叠,优化簇内节点能量;接着对簇头的选举周期进行优化,以任务执行周期大小作为一个时间跨度并分为多个轮,通过最小化簇头选举的轮数来减少用于选择簇头而花费在广播消息上的能量,提升簇头节点的能量利用率。实验仿真结果表明,对比基于多Agent的同质态数据汇聚路由方案以及自适应数据汇聚路由策略,CTSO算法的平均能量效率分别提高了62.0%和138.4%,节点寿命则分别提高了17%和9%。CTSO算法在提升无线传感器网络簇头能效及均衡节点能量上具有较好的效果。     

压缩感知的能量异构WSN分簇路由协议

分簇路由协议对用于环境监测的无线传感器网络具有较好的节能性,数据压缩可以减少节点通信的数据量,但增加了分簇层次结构簇头的能耗和汇聚节点算法的复杂度,而由高能力节点担任簇头可以实现能量均衡并改善网络性能。针对无线传感器网络能量异构普遍存在的特点,提出了一种基于压缩感知的能量异构分簇路由协议（CSCH算法）。该算法根据异构节点能量确定多极簇头选举的概率,将簇内节点的信息集中在簇头上,而簇头对所采集的数据进行稀疏、压缩,以减少向汇聚节点传输数据的节点数和通信量,汇聚节点利用重构算法可从来自簇头的少量数据中恢复出信号源。同时设计了一种基于正态分布的权值系数,以优化在数据量过少情况下压缩感知算法的信号重构性能。仿真实验结果表明,该协议不仅能充分利用能量异构资源,均衡网络能耗,延长整个网络生命周期,而且能精确恢复信号源。     

基于完全图的能量高效可靠分簇算法

在采用多跳通信方式的分簇无线传感器网络中,接近sink点的簇头负担较重,容易过早耗尽能量而失效,引起大量簇重组。针对该问题,基于完全图理论提出一种能量高效可靠分簇算法以均衡簇间负载,设计动态簇头轮换机制来实现快速簇头选举和故障处理。仿真结果表明,该算法能延长网络生命周期、节约网络能耗、提高网络可靠性。     

一种有效的网络多出口流量调度方案

在采用多跳通信方式的分簇无线传感器网络中,接近sink点的簇头负担较重,容易过早耗尽能量而失效,引起大量簇重组。针对该问题,基于完全图理论提出一种能量高效可靠分簇算法以均衡簇间负载,设计动态簇头轮换机制来实现快速簇头选举和故障处理。仿真结果表明,该算法能延长网络生命周期、节约网络能耗、提高网络可靠性。     

非均匀分布异构传感器网络动态多簇头成簇算法

延长网络寿命、提高监控质量是无线传感器网络成簇算法的重要设计目标,在对现有主要成簇算法进行研究的基础上,提出一种适应于节点非均匀分布环境下多级能量异构传感器网络的动态多簇头成簇算法.算法中,节点根据网络最优簇头数确定节点邻居感知半径.通过节点间的广播,每个节点获得感知半径内的邻居节点密度,节点根据邻居节点密度和节点当前能量确定节点成为主簇头的概率.根据主簇头的能耗,各簇独立判断是否选举辅助簇头以分摊主簇头的能耗.仿真结果表明,与现有主要成簇算法相比,新的成簇算法拥有更长的生存时间和更优的网络监测质量.     

一种基于负载均衡无线传感器网络节能分簇算法

由于无线传感器节点的能量是有限的,如何延长节点和网络的工作寿命成为一个很关键的问题.LEACH算法采用本地簇头随机轮转机制将能量负载分担给网络中的所有传感器节点,但是,簇头选举的随机性和簇内节点数目的不均衡可能导致某些节点过快耗尽能量而死亡.本文提出了一种基于负载均衡的簇头选举方案,采用粒子群优化(PSO)算法先行分簇,然后考虑能量和距离再推举出簇头.仿真结果表明,该算法比LEACH更有效地平衡了能量消耗,并显著延长了网络的存活时间.     

基于K-Means 的无线传感网分簇算法研究*

针对传统分层路由算法存在的分簇不均匀、簇头选举不合理以及数据传输形式单一等问题,提出基于K-Means 的无线传感网改进分簇算法LEACH-KPP。首先在成簇阶段采用K-Means 算法实现均匀分簇,随后在簇头选举阶段使用改进簇头选举函数选取簇头,最后在融合数据传输阶段根据簇头与基站,簇头与簇头之间距离动态选择单跳与多跳的混合传输方式传输数据。OMNet 仿真结果与时间复杂度推导表明,LEACH-KPP延长了网络的生存周期,在节点剩余能量与后期存活数目上都优于传统分层路由算法。     

自动确定聚类中心的数据竞争算法

针对数据竞争算法采用欧式距离计算相似度、人为指定聚类簇数以及聚类中心无法准确自动确定等问题,提出了一种自动确定聚类中心的数据竞争聚类算法。引入了数据场的概念,使得计算出的势值更加符合数据集的真实分布;同时,结合数据点的势能与局部最小距离形成决策图完成聚类中心点的自动确定;根据近邻原则完成聚类。在人工以及真实数据集上的实验效果表明,提出的算法较原数据竞争算法具有更好的聚类性能。     

限制树宽图上的有界聚类

有界聚类问题源于II3M研究院开发的一个分布式流处理系统,即S系统。问题的输入是一个点赋权和边赋权的无向图,并指定若干个称为终端的顶点。称顶点集合的一个子集为一个子类。子类中所有顶点的权和加上该子类边界上所有边的权和称为该子类的费用。有界聚类问题是要得到所有顶点的一个聚类,要求每个子类的费用不超过给定预算召,每个子类至多包含一个终端,并使得所有子类的总费用最小。对于限制树宽图上的有界聚类问题,给出了拟多项式时间精确算法。利用取整的技巧对该算法进行修正,可在多项式时间之内得到(1+ε)-近似解,其中每个子类的费用不超过(1+ε)B,:是任意小的正数。如果进一步要求每个子类恰好包含一个终端,则所给算法可在多项式时间之内得到(1+ε)-近似解,其中每个子类的费用不超过(2+ε)B。     

基于加权K近邻的改进密度峰值聚类算法

密度峰值聚类算法是一种新颖的密度聚类算法,但是原算法仅仅考虑了数据的全局结构,在对分布不均匀的数据集进行聚类时效果不理想,并且原算法仅仅依据决策图上各点的分布情况来选取聚类中心,缺乏可靠的选取标准。针对上述问题,提出了一种基于加权K近邻的改进密度峰值聚类算法,将最近邻算法的思想引入密度峰值聚类算法,重新定义并计算了各数据点的局部密度,并通过权值斜率变化趋势来判别聚类中心临界点。通过在人工数据集上与UCI真实数据集上的实验,将该改进算法与原密度峰值聚类、K-means及DBSCAN算法进行了对比,证明了改进算法能够在密度不均匀数据集上有效完成聚类,能够发现任意形状簇,且在三个聚类性能指标上普遍高于另外三种算法。     

基于GraphX的分布式幂迭代聚类

为解决幂迭代聚类算法并行实现中存在的编程繁琐、效率低下等问题,基于Spark大规模数据通用计算引擎及其GraphX组件,提出了一种在分布式环境下实现幂迭代聚类的方法。首先,利用某种相似性度量方法,将原始数据转换成一个可以视为图的亲和矩阵;然后,通过顶点切割,把行归一化后的亲和矩阵切分成若干个小图,分别存储在不同的机器上;最后,利用Spark基于内存计算的特点,对存储在集群中的图进行多次迭代计算,得到这个图的一个切割,图的每一个划分子图对应一个类簇。在不同规模的数据集和不同executor个数下进行的实验结果表明,基于GraphX的分布式幂迭代聚类算法具有良好的可扩展性,算法运行时间与executor个数呈负相关的线性关系,在6个executor下,与单个executor相比,算法的加速比达到了2.09到3.77。同时,通过与基于Hadoop的幂迭代聚类进行对比,在新闻数量为40000篇时,运行时间降低了61%。     

协作多点传输系统中基于图论的动态分簇算法

在蜂窝移动通信系统中,小区间的干扰严重限制着小区边缘用户的性能,而协作多点传输（Coordinated Multi-Point,CoMP）技术可以显著减少小区之间的干扰并改善边缘用户的性能。为了提升小区边缘用户的数据传输速率,本文针对CoMP系统提出一种基于图论的动态分簇算法。该算法利用图论的方法建立蜂窝网络的拓扑结构图,通过对小区间干扰的分析,能够同时生成多个簇大小不固定的协作簇,解决了簇大小固定和依次分簇所造成的系统受限问题。仿真结果表明,相比于其他分簇算法,本文算法在改善分簇的性能的同时降低了计算复杂度,并提高了系统的和速率。     

一种新的聚类分析算法

给出了一种新的无监督聚类算法,但这种算法并非是基于目标函数的聚类算法,而是对数据直接设计一种迭代运算,以使数据在保持类特征的情况下进行重新组合最终达到分类的目的。通过对一类数据的实验表明,该算法在无监督给出类数方面具有较好的鲁棒性;另外,该算法在数据的准确归类、无监督聚类、确定性,以及对特殊类分布的适用性等方面均优于ＨＣＭ和ＦＣＭ算法,     

基于数据流的概念聚类

分析二部图的二元组和概念聚类问题之间的关系，在此基础上结合数据流的特点，提出一种适用于对象属性为布尔型的数据流概念聚类算法。将数据流分段，对每一批到来的数据流，生成局部的近似极大ε二元组集合，对全局的近似极大ε二元组集合进行更新，从而有效地对整个数据流进行聚类。实验结果表明，该算法具有良好的时间效率和空间效率。     

CK-Modes Clustering Algorithm Based on Node Cohesion in Labeled Property Graph

The designation of the cluster number K and the initial centroids is essential for K-modes clustering algorithm. However, most of the improved methods based on K-modes specify the K value manually and generate the initial centroids randomly, which makes the clustering algorithm significantly dependent on human-based decisions and unstable on the iteration time. To overcome this limitation, we propose a cohesive K-modes (CK-modes) algorithm to generate the cluster number K and the initial centroids automatically. Explicitly, we construct a labeled property graph based on index-free adjacency to capture both global and local cohesion of the node in the sample of the input datasets. The cohesive node calculated based on the property similarity is exploited to split the graph to a K-node tree that determines the K value, and then the initial centroids are selected from the split subtrees. Since the property graph construction and the cohesion calculation are only performed once, they account for a small amount of execution time of the clustering operation with multiple iterations, but significantly accelerate the clustering convergence. Experimental validation in both real-world and synthetic datasets shows that the CK-modes algorithm outperforms the state-of-the-art algorithms.     

基于傅里叶变换和连通图的聚类分析方法

聚类是假设数据在具有某种群聚结构的前提下根据观察到的无标记的样本发现数据的最优划分。针对已有的聚类算法存在的缺点,假设数据样本的结果簇是密集的,且簇与簇之间区别明显,基于该假设提出一种基于傅里叶变换和连通图的聚类分析方法 FGClus。首先针对每个样本点计算k阶距离矩阵并序列化作为离散傅里叶变换的输入信号;然后抽取频域内幅值最小的复数项并构造输入序列进行傅里叶逆变换,得到在时域空间中的最佳阈值;最后利用该阈值结合连通图指导最终的聚类过程。实验表明,FGClus算法克服了K-means算法聚类前需确定聚类个数、聚类结果对初始代表点的选取敏感、只能聚类球状数据等缺点,取得了良好的聚类效果。     

一种深度自监督聚类集成算法

针对聚类集成中一致性函数设计问题,本文提出一种深度自监督聚类集成算法。该算法首先根据基聚类划分结果采用加权连通三元组算法计算样本之间的相似度矩阵,基于相似度矩阵表达邻接关系,将基聚类由特征空间中的数据表示变换至图数据表示;在此基础上,基聚类的一致性集成问题被转化为对基聚类图数据表示的图聚类问题。为此,本文利用图神经网络构造自监督聚类集成模型,一方面采用图自动编码器学习图的低维嵌入,依据低维嵌入似然分布估计聚类集成的目标分布;另一方面利用聚类集成目标对低维嵌入过程进行指导,确保模型获得的图低维嵌入与聚类集成结果是一致最优的。在大量数据集上进行了仿真实验,结果表明本文算法相比HGPA、CSPA和MCLA等算法可以进一步提高聚类集成结果的准确性。